深度学习编译器中的误报漏洞报告：阶段、根本原因及缓解措施

《ACM Transactions on Software Engineering and Methodology》：False-Positive Bug Reports in Deep Learning Compilers: Stages, Root Causes, and Mitigation

本文分析了TVM和OpenVINO的1075个关闭问题，发现编译器假阳性bug源于配置错误、使用不当或功能误解，并验证LLM通过零样本提示有效缓解此类问题，准确率和解释质量优异。

　　

摘要

深度学习（DL）编译器是优化DL模型以在异构硬件上高效运行的关键基础设施。与传统编译器一样，它们也容易出错。然而，并非所有提交到DL编译器仓库的错误报告都反映了真实的缺陷。许多错误报告实际上是误报，由配置错误或用户误解引起。这些报告可能会误导开发者，浪费调试资源，并延迟关键错误的修复。本文首次全面研究了DL编译器中的误报问题，分析了来自两个代表性系统TVM和OpenVINO的1,075个已关闭的问题和讨论。我们发现，误报问题需要开发者投入大量精力，且贯穿整个编译工作流程，尤其是在构建、导入以及中间表示（IR）转换阶段；其原因通常包括环境配置错误、使用不当，或对编译器特性和限制的误解。为了解决这一挑战，我们进一步探讨了大型语言模型（LLMs）在自动减少误报方面的潜力。通过大量实验，我们发现少量样本提示（few-shot prompting）能够取得良好的性能，具有较高的准确性和解释质量。我们的研究揭示了这一被忽视但重要的编译器问题类别，并展示了LLMs在支持DL编译器中更高效错误报告分类方面的潜力。